车载视觉环视系统实验平台

为了帮助驾驶员更好地感知盲区和障碍物,提升驾驶的安全性与便捷性,提出了一种车载视觉环视系统实验平台。利用安装在车辆前、后、左、右的多台鱼眼相机实时采集车辆周边视频数据,生成以车辆为参考中心的环视鸟瞰图,为驾驶员提供360°无死角的环境视觉信息。最后,通过实物实验验证了所提方法的有效性。

数字经济促进赣州市经济发展路径研究

日新月异的现代技术刺激了数字经济的诞生和发展,数字经济成为了经济发展的创新动力,是带动经济高质量发展的新引擎。目前数字经济已经成为赣州经济发展的重要力量。为了实现赣州数字经济的持续发展,本文主要分析了城市数字经济运行规律和赣州产业实际,阐述相关概念理论,对赣州市推进数字经济进行战略层面思考,并探索具体的落实思路。

HSKDLR:同类自知识蒸馏的轻量化唇语识别方法

针对唇语识别模型的识别率较低和计算量较大的问题,提出一种同类自知识蒸馏的轻量化唇语识别模型(HSKDLR)。首先,提出关注唇部图像空间特征的S-SE注意力模块,用其构建提取唇部图像通道特征和空间特征的i-Ghost Bottleneck模块,以提升唇语识别模型的准确率;其次,基于i-Ghost Bottleneck构建唇语识别模型,该模型通过优化瓶颈结构的组合方式降低模型计算量;然后,为提升模型准确率,减少模型运行时间,提出同类自知识蒸馏(HSKD)的模型训练方法;最后,使用同类自知识蒸馏方法训练唇语识别模型,并检验其识别性能。实验结果表明:与其他方法相比,HSKDLR具有更高的识别准确率和更低的计算量,在LRW数据集上的准确率达87.3%,浮点数运算量低至2.564 GFLOPs,参数量低至3.8723×107;同类自知识蒸馏可被应用于大多数唇语识别模型,帮助其有效提升识别准确率,减少训练时间。

基于赣州市数字经济赋能传统产业转型升级研究

开展对数字经济背景下赣州市数字化城市建设及产业发展研究,为赣州市推进数字化建设和产业经济融合应用、协同创新,着力构建具有赣州特色的数字经济应用和产业生态体系及智慧城市建设提供前进方向,对赣州市建设成为应用示范城市具有先进的指导意义。本文从赣州地区现阶段的产业结构入手,根据现阶段的产业结构确定数字经济赋能传统产业转型升级的着力点,对具体地区的发展现状进行实证分析,比较该方法的优劣势,并给出相关建议。

双元创新视角下人力资本对企业绩效的影响

文章基于2015—2019年中国创业板上市公司数据,运用实证研究方法系统分析了人力资本对企业绩效的影响,并深入探讨了双元创新在人力资本和企业绩效间的中介作用。研究结果表明:①人力资本能够直接促进双元创新和企业绩效的提升;②双元创新在人力资本对企业绩效的影响中发挥中介作用;③人力资本在非国有企业组中对企业绩效的促进作用相对更大,双元创新的中介作用在国有企业组中不显著,在非国有企业组中显著。据此文章提出上市公司应重视人力资本的管理与优化、科学合理选择创新方式,以及政府部门要“因企制宜”引导企业健康发展等建议,以切实提高企业绩效。

基于PLBP的面部表情识别分析

为了提高面部表情的识别性能,文章提出了基于PLBP(金字塔LBP)的表情识别算法。该方法即通过多尺度分析来建立人脸图像的局部二值模式(Local Binary Pattern,LBP)金字塔特征,能有效地提取人脸图像的全局和局部特征。表情识别系统的整个流程包括人脸特征的点跟踪、人脸的面部区域划分、PLBP特征提取和情感分类。文章在CK+表情数据库上进行了对比实验,实验结果表明,PLBP特征提取在面部表情识别中具有较高的识别率。这体现了全局和局部特征相结合对于图像识别的重要性。

唇语识别的深度学习方法综述

随着深度学习的不断发展,唇语识别领域的研究取得了重大进展,涌现了许多唇语识别的深度学习算法。依据识别对象的连续性,将唇语识别分为孤立唇语识别和连续唇语识别,并对各识别任务的深度学习方法进行了详细和深入的分析总结。从孤立唇语识别的深度学习方法和连续唇语识别的深度方法两个方面介绍了主流唇语识别方法,并对各方法的优缺点和性能进行比较;对不同数据集下代表性方法的特点和性能进行比较,对两类方法的优缺点和适用范围进行阐述;讨论了唇语识别方法存在的问题和挑战,并对唇语识别方法的研究趋势进行了展望。

唇语识别的视觉特征提取方法综述

现有唇语识别研究多专注于提高识别精度、研究多模态输入特征等方面,对提高唇部视觉特征的有效性关注不多。而唇部的视觉信息在视觉语音识别和唇语识别中起着关键作用,尤其在音频被破坏或无音频信息时,唇部视觉信息尤为重要。如何获取准确有效的唇部视觉特征是当前唇语识别的难点工作之一。从唇语数据集、传统视觉特征提取方法、视觉特征提取的深度学习方法三方面综述了唇语识别方向近年来的最新研究工作:首先,总结了唇语识别数据集,将唇语数据集分为正视图和多视图两种类型,并总结整理两类数据集的特点、局限性和下载地址;其次,从像素点、形状和混合特征的角度介绍了唇部视觉特征提取的传统方法,重点介绍各方法的基本思想、网络结构和特点;然后,介绍了唇部视觉特征提取的深度学习方法,重点介绍2D CNN、3D CNN、2D CNN与3D CNN相结合、其他神经网络四种深度学习方法的网络结构和优缺点,并比较了这些方法在公开数据集上的性能表现;最后,对唇部视觉特征提取方法所面临的挑战和未来研究趋势进行了展望。